53、医疗影像与语音信号的机器学习分类研究

医疗影像与语音信号的机器学习分类研究

1. 多类脑肿瘤分类的深度学习方法

1.1 DenseNet - 121 特征提取与分类

DenseNet - 121 基于迁移学习的特征提取和分类技术，能减少参数数量，在保持高精度的同时，比其他卷积神经网络（CNN）架构更节省内存。不过，其现有结构对于所选任务并不足够，因此需要进行微调。

具体操作步骤如下：
1. 图像预处理 ：在将图像输入预训练的 DenseNet - 121 模型之前，需对图像进行预处理并将其大小调整为 224 × 224 × 3。
2. 模型转换 ：移除模型的顶级分类层，将其转换为适用于新数据集的特征提取器。

所提出的基于 DenseNet - 121 模型的迁移学习架构包含一个扁平化层、两个全连接层、两个丢弃层和一个 Softmax 分类器。其处理流程如下：
1. 扁平化处理 ：预训练的 DenseNet - 121 模型的输出首先通过扁平化层转换为一维向量。
2. 全连接层处理 ：将该向量输入包含 128 个隐藏单元的全连接层。
3. 防止过拟合 ：引入丢弃率为 50% 的丢弃层以减轻过拟合。
4. 进一步处理 ：再通过一个包含 64 个单元的全连接层，并应用 30% 的丢弃率以提高模型的稳定性和泛化性能。
5. 分类标签生成 ：最后使用 Softmax 激活函数为目标脑肿